非周期性レベルに基づく短期電力需要予測モデルの性能比較：少量データ下の検討

カテゴリ：部門大会

論文No：039

グループ名：【B】令和7年電気学会電力・エネルギー部門大会

発行日：2025/9/5

タイトル(英語)：Performance Comparison of Short-Term Electricity Demand Forecasting Models Based on Aperiodicity Levels under Limited Data Conditions

著者名：豊井美雪（東京大学），王維浩（東京大学），梅本貴弘（東京大学），佐藤正寛（東京大学），熊田亜紀子（東京大学）

著者名(英語)： Miyuki Toyoi (The University of Tokyo), Weihao Wang (The University of Tokyo), Takahiro Umemoto (The University of Tokyo), Masahiro Sato (The University of Tokyo), Akiko Kumada (The University of Tokyo)

キーワード：短期電力需要予測,限られたデータ,STL分解,ビルエネルギー管理システム,SARIMAX,LightGBM,Load forecasting,limited training data,STL decomposition,BEMS,SARIMAX,LightGBM

要約(日本語)：近年、再生可能エネルギーの普及や建物単位でのエネルギーマネジメントの重要性が高まる中、建物の短時間電力需要予測の高精度化が求められている。しかし、大学キャンパスや実験施設など非周期的な電力使用が多い建物においては、従来の周期性を前提としたモデルでは予測精度が低下する傾向がある。本研究では、建物の電力需要時系列に含まれる周期性の違いに着目し、STL分解により非周期性レベルを定量化した上で、ARIMA・LSTM・LightGBM・Transformerの4つの代表的な予測手法を比較評価した。東京大学キャンパス内の50施設を対象に、系列長700点および2500点の2条件で実験を行った結果、非周期性が高いほど予測精度が向上する傾向が見られた。特に短系列では、パラメータ数の少ないARIMAや、外生変数を効率的に活用できるLightGBMが高精度であった。一方、TransformerやLSTMはデータ量不足の影響を受け、性能が劣後する傾向にあった。本研究は、非周期性の強さに応じた実用的なモデル選定指針の構築に貢献するものである。

PDFファイルサイズ：924Kバイト